1.1. Motivación
1.2. Metodología
2.1. Identificación del problema
2.2. Identificación de los datos
2.3.1. Limpieza y resumen
2.3.2. Análisis de los datos
2.3.3. Tratamiento de datos atípicos
Cada día se generan cantidades enormes de datos que reposan en los sistemas de información y bases de datos públicas o privadas. Es de interés para los analístas de datos obtener la mayor cantidad de información valiosa y confiable de estos datos, generando valor agregado a las entidades y así incidir en la toma de decisiones para mejorar los procesos internos y, por ende, los resultados económicos y sociales de la entidad. (FALTA UNA REFERENCIA)
Por esta razón, los estudiantes de la materia Analítica Predictiva del Posgrado de Analítica de la Universidad Nacional de Colombia tienen como objetivo identificar y dar solución a un problema utilizando las técnicas estadísticas y de ciencia de datos que consideren óptimas.
La materia de Analítica Predictiva en el Posgrado de Analítica de la Universidad Nacional de Colombia enseña algunas técnicas estadísticas para el pronóstico y clasificación de datos, utilizando los conceptos de la estadística descriptiva y probabilística como cálculo de probabilidades, Teorema de Bayes, medidas de tendencia, funciones de distribuciones de probabilidad, pruebas de hipótesis, entre otros. Algunos de los modelos vistos en clase fueron:
El objetivo de este trabajo es entrenar un modelo predictivo que permita encontrar solución a un problema propuesto por los estudiantes. Este problema deberá contar con suficiente información para estimar el modelo y este no debe estar sobreentrenado.
Los entregables del trabajo son:
Se propone utilizar la metodología CRISP-DM en la que se sigue un flujo de trabajo para la identificación del problema y la propuesta, evaluación e implementación de la solución. Los pasos de la metodología CRISP-DM son los siguientes:
Identificación del problema del negocio.
Identificación del problema de datos.
Preparación y análisis de los datos.
Modelación.
Evaluación de los modelos y elección.
Implementación.
La accidentalidad vial en las ciudades se ha ido posicionando año tras año como uno de los problemas que más costos sociales y económicos genera hasta llegar a denominarse como “pandemia”. Medellín no ha sido la excepción y en la actualidad buena parte de las políticas públicas se movilizan para mitigar este fenómeno. Se estima que anualmente los costos totales por accidentalidad solo para Medellín son cerca de $ 1,8 billones, así que este es un problema cuya minimización puede dejar muchas ganancias.
Una herramienta importante y base para la toma de decisiones es una estimación precisa que explique el problema y que permita predecir cuándo y dónde puede suceder determinado tipo de accidente.
Esta estimación es útil para diferentes actores. Los hacedores de política podrán determinar cuáles zonas son susceptibles de reestructuración de la malla vial, dónde deben enfocar los esfuerzos de capacitación o en cuáles lugares deben disponer de más servidores para la prevención y atención de los accidentes. Para el público en general le resultará de interés para tomar decisiones de movilidad, cuándo transitar y en qué; o en decisiones de vivienda, que sectores se deben evitar cuando se tienen hijos, por ejemplo.
En este trabajo se pretende responder a estas preguntas y brindarle a la ciudad la posibilidad de visibilizar la información de los accidentes vehiculares, sus riesgos asociados y con ello mitigarlos, a través de una única plataforma pública donde se realice un pronóstico del total de accidentes por tipo de accidente para el año 2019.
Para este trabajo se decidió utilizar la información de la accidentalidad vehicular en el municipio de Medellín para los años 2014 a 2018, disponibles al público en general en este enlace.
El conjunto de datos se compone de los accidentes de tránsito registrados por la Secretaría de Movilidad de la Alcaldía de Medellín, entre los años especificados. Se entiende por accidente de tránsito: “evento, generalmente involuntario, generado al menos por un un vehículo en movimiento, que causa daños a personas y bienes involucrados en él, e igualmente afecta la normal circulación de los vehículos que se movilizan por la vía o vías comprendidas en el lugar o dentro de la zona de influencia del hecho”. (Ley 769 de 2002 - Código Nacional de Tránsito)
La estructura de la tabla es la siguiente:
| Campo | Descripción | Tipo | Observación |
|---|---|---|---|
| OBJECTID | Identificación del registro (fila) | integer | Sin |
| X | Coordenada X (longitud) de la ubicación del accidente | float | Coordenadas en Magna Medellín. Ver nota. |
| Y | Coordenada Y (latitud) de la ubicación del accidente | float | Coordenadas en Magna Medellín. Ver nota. |
| RADICADO | Identificación única del accidente ante la Secretaría de Movilidad | string | Sin |
| HORA | Hora aproximada de la ocurrencia del accidente | datetime | Sin |
| DIA_NOMBRE | Nombre del día de la semana de la ocurrencia del accidente | string | Sin |
| PERIODO | Año de la ocurrencia del accidente | integer | Sin |
| CLASE | Tipo de accidente | string | Opciones entre: Atropello, caída del ocupante, choque, incendio, volcamiento y otro. |
| DIRECCION | Dirección descriptiva de la ubicación de la ocurrencia del accidente | string | Sin |
| DIRECCION_ENC | Dirección encasillada de la ubicación de la ocurrencia del accidente | string | Formato único de direcciones en el sistema de información de la Alcaldía de Medellín |
| CBML | Identificación única del lote más cercano a la ubicación de la ocurrencia del accidente | string | Acrónimo de comuna, barrio, manzana, lote |
| TIPO_GEOCOD | Tipo de ubicación según información catastral | string | Más información en el geocodificador de la Alcaldía disponible aquí |
| GRAVEDAD | Gravedad del accidente | string | Opciones entre: Herido, muerto y solo daños |
| BARRIO | Barrio de la ubicación de la ocurrencia del accidente | string | Sin |
| COMUNA | Comuna de la ubicación de la ocurrencia del accidente | string | Sin |
| DISENO | Tipo de entramado de la ubicación de la ocurrencia del accidente | string | Opciones entre: ciclo ruta, glorieta. intersección, lote o predio, paso a nivel, paso elevado, paso inferior, pontón, puente, tramo vía, túnel o vía peatonal |
| MES | Número del mes de la ocurrencia del accidente | integer | Sin |
| DIA | Día del mes de la ocurrencia del accidente | integer | Sin |
| FECHA | Fecha de la ocurrencia del accidente | string | Formato ISO 8601 |
| MES_NOMBRE | Nombre del mes de la ocurrencia del accidente | integer | Columna vacía |
Nota: las coordenadas Magna Medellín corresponden a una transformación de las coordenadas elípticas internacionales wgs84 a coordenadas planas propias establecidas por el Instituto Geográfico Agustín Codazzi (IGAC) en concordancia con el Subsecretaría de Catastro del municipio de Medellín.
Para el análisis de la información se utilizará el dialecto Tidyverse, los paquetes data.table, plotly, rmarkdown, shiny y leaflet para lectura y visualización de los datos y FALTA PAQUETES MODELADO.
# se instalan los paquetes necesarios
#install.packages("tidyverse") # dialecto de ciencia de datos
#install.packages("data.table") # manejo de tablas
#install.packages("ggplot2") # manejo de graficas
#install.packages("plotly") # graficas semi-dinamicas
#install.packages("rmarkdown") # utilizar rmarkdown
#install.packages("shiny") # tableros de control dinamicos
#install.packages("prettydoc") # dar formato a rmarkdown
#install.packages("sf") # manejo de archivos espaciales (.shp)
#install.packages("leaflet") # mapas dinamicos en HTML
#install.packages("rpart") # pendiente
#install.packages("rpart.plot") # pendiente
# cargar librerias
library(data.table) # manejo de tablas
library(purrr) # optimizacion de bucles
library(dplyr) # manejo de tablas
library(plotly) # graficos en html
library(tidyr) # limpieza de datos
library(stringr) # limpieza de texto
library(lubridate) # limpieza de fechas
library(sf) # manejo de archivos espaciales
De manera inicial se leen los archivos.
Nota al ejecutador de código: para algunos sistemas operativos o versiones de paquetes la limpieza no funciona correctamente, por lo que se recomienda volver a cargar el archivo a partir aquí.
# lista archivos
lista <- list.files(pattern = "^Acc.*.csv", include.dirs = T, recursive = T)
# leer todos los archivos
lista_df <- map(lista, fread, sep = ",", encoding = "UTF-8", colClasses = "c")
# agregar archivos del 2014 a 2018
acc <- bind_rows(lista_df)
# ver cabecera del archivo
head(acc)
Se identifica que se deben hacer las siguientes correcciones en la tabla acc:
Organizar la columna FECHA en formato ISO 8601..
Debido a la naturaleza del trabajo, se eliminan los nulos de la columna.
CLASE y se unifican los tipos de accidente, limpiando tildes y convirtiendo en mayúscula.
De forma similar, se eliminan los nulos de la columna DISENO, se unifican los tipos de diseño, se limpian tildes y se convierte a mayúscula.
Se eliminan las tildes de los días de la semana en la columna DIA_NOMBRE.
Se crea la columna COMUNA_BARRIO a partir de la columna CBML con el objetivo de que sirva como clave foránea para la unión con el archivo espacial de barrios, disponible aquí.
# organizar fecha
acc$FECHA <- ymd(gsub(pattern = "T.*", replacement = "", acc$FECHA),
"%Y-%M-%D")[1:209426]
# eliminar datos nulos y corregir clase
acc <- acc[-which(acc$CLASE == ""),]
acc$CLASE <- iconv(acc$CLASE, from = "UTF-8", to = "ASCII//TRANSLIT")
acc$CLASE <- gsub("DE ", "", toupper(acc$CLASE))
# eliminar datos nulos y corregir disenio
acc <- acc[-which(acc$DISENO == ""),]
acc$DISENO <- iconv(acc$DISENO, from = "UTF-8", to = "ASCII//TRANSLIT")
acc$DISENO <- gsub("DE ", "", toupper(acc$DISENO))
# corregir tildes de DIA_NOMBRE
acc$DIA_NOMBRE <- iconv(acc$DIA_NOMBRE, from = "UTF-8", to = "ASCII//TRANSLIT")
# crear columna de comuna_barrio
acc <- mutate(acc, COMUNA_BARRIO = str_sub(CBML, 1, 4))
# visualizar nueva acc
head(acc)
Se procede a cargar el archivo espacial de barrios para identificar correctamente el barrio y la comuna de la ubicación del accidente. Luego, se realiza una nueva limpieza de la tabla acc: * Se limpian las tildes de la columna barrio y se convierte a mayúscula. * Se eliminan los registros duplicados generados por la unión. * Se eliminan algunas columnas no necesarias para el análisis. * Se renombran las columnas de NOMBRE_BAR y NOMBRE_COM por BARRIO y COMUNA respectivamente.
# cargar archivo shp de barrios de medellin
barrio <- read_sf("files/Limite_Barrio_Vereda_Catastral/Limite_Barrio_Vereda_Catastral.shp")
# unir columnas de nombre barrio y comuna
acc <- inner_join(acc,
select(barrio, CODIGO, NOMBRE_COM, NOMBRE_BAR),
by = c("COMUNA_BARRIO" = "CODIGO"))
# limpiar nombre de barrios
acc$NOMBRE_BAR <- iconv(acc$NOMBRE_BAR, from = "UTF-8", to = "ASCII//TRANSLIT")
acc$NOMBRE_BAR <- toupper(acc$NOMBRE_BAR)
# eliminar posibles duplicados por errores de union
acc <- data.table:::unique.data.table(acc, by = "RADICADO")
# eliminar columnas
acc <- select(acc, -BARRIO, -COMUNA, -OBJECTID, -RADICADO, -DIRECCION_ENC,
-DIRECCION, -HORA, -CBML, -TIPO_GEOCOD, -MES_NOMBRE, -geometry)
# renombrar
names(acc)[12:13] <- c("COMUNA","BARRIO")
# visualizar acc
head(acc)
Se realiza la lectura de la tabla de días especiales, se limpia y se realiza unión con la tabla de accidentes. * Se cambia las columnas tal que si es un día especial tenga la marcación Si, de lo contrario será No.
# lectura del archivo
festivos <- fread("files/festivos_y_especiales.csv", header = T)
# convertir a si o no
festivos[,names(festivos)[-1]] <- festivos %>%
transmute_at(c(names(festivos)[-1]),
funs(ifelse(. == "X",
"Si",
ifelse(. == "",
"No",
.)
)
)
)
# convetir a formato fecha
festivos$FECHA <- ymd(festivos$FECHA)[1:172]
# visualizar festivos
head(festivos)
Se realiza la unión de las tablas y se convierten los datos de los días especiales a No en caso de que no haya encontrado coincidencia en la unión.
# union de tablas
acc <- merge(x = acc, y = festivos, by = "FECHA", all.x = T)
# transformar variables
acc[,names(festivos)[-1]] <- acc %>%
transmute_at(c(names(festivos)[-1]),
funs(ifelse(is.na(.),
"No",
.)
)
)
# visualizar acc
head(acc)
Se realiza la conversión a la codificación UTF-8 y se guarda el nuevo archivo.
# convertir a utf8
acc[,2:length(acc)] <- map(.x = acc[,2:length(acc)], .f = enc2utf8)
# guardar archivo
fwrite(acc, "files/accidentalidad_georreferenciada_completa.csv", sep = ",")
# eliminar archivo y limpiar memoria
rm(acc)
gc(reset = T)
## used (Mb) gc trigger (Mb) max used (Mb)
## Ncells 1456730 77.8 2754562 147.2 1456730 77.8
## Vcells 8388610 64.1 31554028 240.8 8388610 64.1
Nota: para algunos sistemas operativos o versiones de paquetes la limpieza no funciona correctamente, por lo que se recomienda volver a cargar el archivo a partir de este punto y no ejecutar el código anterior.
# volver a cargar el archivo
acc <- fread("files/accidentalidad_georreferenciada_completa.csv",
sep = ",",
encoding = "UTF-8")
# organizar fecha
acc$FECHA <- ymd(acc$FECHA)
# visualizar
head(acc)
Como se observa, la estructura de la tabla resultante es la siguiente:
| Campo | Descripción | Tipo | Observación |
|---|---|---|---|
| FECHA | Fecha de la ocurrencia del accidente | datetime | Formato ISO 8601 |
| X | Coordenada X (longitud) de la ubicación del accidente | float | Coordenadas en Magna Medellín. Ver nota. |
| Y | Coordenada Y (latitud) de la ubicación del accidente | float | Coordenadas en Magna Medellín. Ver nota. |
| DIA_NOMBRE | Nombre del día de la semana de la ocurrencia del accidente | string | Sin |
| PERIODO | Año de la ocurrencia del accidente | integer | Sin |
| CLASE | Tipo de accidente | string | Opciones entre: Atropello, caída del ocupante, choque, incendio, volcamiento y otro. |
| GRAVEDAD | Gravedad del accidente | string | Opciones entre: Herido, muerto y solo daños |
| DISENO | Tipo de entramado de la ubicación de la ocurrencia del accidente | string | Opciones entre: ciclo ruta, glorieta. intersección, lote o predio, paso a nivel, paso elevado, paso inferior, pontón, puente, tramo vía, túnel o vía peatonal |
| MES | Número del mes de la ocurrencia del accidente | integer | Sin |
| DIA | Día del mes de la ocurrencia del accidente | integer | Sin |
| COMUNA_BARRIO | Identificador de la comuna y el barrio en el sistema de información de la Alcaldía | string | Sin |
| BARRIO | Barrio de la ubicación de la ocurrencia del accidente | string | Sin |
| COMUNA | Comuna de la ubicación de la ocurrencia del accidente | string | Sin |
| FESTIVO | Indicador de si el día es festivo o no | boolean | Opciones: Si o No |
| MADRE | Indicador de si el día es día de la madre o no | boolean | Opciones: Si o No |
| NAVIDAD | Indicador de si el día pertenece a las festividades de navidad o no | boolean | Opciones: Si o No |
| BRUJITOS | Indicador de si el día es el 31 de octubre o no | boolean | Opciones: Si o No |
| SEMSANTA | Indicador de si el día pertenece a la Semana Santa o no | boolean | Opciones: Si o No |
| ESCOLAR | Indicador de si el día pertenece a la época de vacaciones escolares o no | boolean | Opciones: Si o No |
Primero realizaremos un análisis descriptivo univariado de las variables por el número de accidentes registrados
acc_comuna <- acc %>%
group_by(COMUNA) %>%
summarize(total_registros = n())
ggplot(data=acc_comuna, aes(x=COMUNA, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha = .8)+
xlab("Comuna")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por comuna")+ #título del gráfico
coord_flip()
El mayor número de accidentes ocurre en La candelaria, seguido por Laureles y Castilla.
acc_mes <- acc %>%
group_by(MES) %>%
summarize(total_registros = n())
p1 <- ggplot(data=acc_mes, aes(x=MES, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha =
.8)+
xlab("Mes")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por mes") #título del gráfico
p1
En el mes donde mayor cantidad de accidentes ocurre es en Agosto.
acc_nombredia <- acc %>%
group_by(DIA_NOMBRE) %>%
summarize(total_registros = n())
acc_nombredia$DIA_NOMBRE<-ordered(acc_nombredia$DIA_NOMBRE,levels=c( "LUNES", "MARTES", "MIERCOLES", "JUEVES", "VIERNES", "SABADO","DOMINGO"))
p2 <- ggplot(data=acc_nombredia, aes(x=DIA_NOMBRE, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha =
.8)+
xlab("Días")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por días de la semana") #título del gráfico
p2
Los viernes son los días que mayor accidentalidad presenta y el día con menos accidentalidad es el domingo.
acc_ano <- acc %>%
group_by(PERIODO) %>%
summarize(total_registros = n())
p3 <- ggplot(data=acc_ano, aes(x=PERIODO, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha =
.8)+
xlab("Año")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por año") #título del gráfico
p3
El año 2016 fue el año con mayor accidentalidad mientras que 2018 tuvo menos accidentes.
acc_clase <- acc %>%
group_by(CLASE) %>%
summarize(total_registros = n())
p4 <- ggplot(data=acc_clase, aes(x=CLASE, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha =
.8)+
xlab("Tipo de accidente")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por tipo de accidente") #título del gráfico
p4
El menor número de accidentes ocurre por incendio mientras que los choques son los que generan mayores accidentes de tránsito.
acc_gravedad <- acc %>%
group_by(GRAVEDAD) %>%
summarize(total_registros = n())
ggplot(data=acc_gravedad, aes(x=GRAVEDAD, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha =
.8)+
xlab("Gravedad del accidente")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por gravedad del accidente") #título del gráfico
Desde el 2014 hasta el 2018 se tuvieron un número mayor de heridos que de daños.
acc_diseno <- acc %>%
group_by(DISENO) %>%
summarize(total_registros = n())
ggplot(data=acc_diseno, aes(x=DISENO, y=total_registros)) +
geom_bar(stat="identity", position="dodge", fill = "blue3", color = "grey48", alpha =
.8)+
xlab("Diseño de la vía")+ # eje x
ylab("Total registros")+ # eje y
ggtitle("Número de accidentes por tipo de vía")+ #título del gráfico
coord_flip()
La mayor cantidad de accidentes se presentan en los tramos de vía seguidos por las intersecciones.
acc_group_clase<- acc %>% group_by(CLASE, GRAVEDAD) %>% summarize(conteo = n())
ggplot(data=acc_group_clase, aes(x=CLASE, y=conteo, fill=GRAVEDAD)) +
geom_bar(stat="identity", position="dodge")+
coord_flip()
De acuerdo al tipo de accidente, vemos que los choques generan una mayor cantidad de daños y la mayor cantidad de heridos.
acc_group_mes<- acc %>% group_by(MES,CLASE) %>% summarize(conteo = n())
ggplot(data=acc_group_mes, aes(x=CLASE, y=conteo, fill=MES)) +
geom_bar(stat="identity", position="dodge")
La mayor cantidad de choques se presenta en agosto.
acc_group_year<- acc %>% group_by(CLASE, PERIODO) %>% summarize(conteo = n())
ggplot(data=acc_group_year, aes(x=CLASE, y=conteo, fill=as.factor(PERIODO))) +
geom_bar(stat="identity", position="dodge")+
scale_fill_manual(values=c("#d0d1e6", "#bdc9e1","#74a9cf","#2b8cbe","#045a8d"))
acc_group_dia<- acc %>% group_by(CLASE, DIA_NOMBRE) %>% summarize(conteo = n())
ggplot(data=acc_group_dia, aes(x=CLASE, y=conteo, fill=DIA_NOMBRE)) +
geom_bar(stat="identity", position="dodge")+
scale_fill_manual(values=c("#67001f","#b2182b","#d6604d","#f4a582","#fddbc7","#d1e5f0", "#92c5de"))+
coord_flip()
acc_group_festivo<- acc %>% group_by(CLASE, FESTIVO) %>% summarize(conteo = n())
ggplot(data=acc_group_festivo, aes(x=CLASE, y=conteo, fill=FESTIVO)) +
geom_bar(stat="identity", position="dodge")
acc_fecha <- acc %>%
group_by(FECHA) %>%
summarize(total_registros = n())
plot_ly (data=subset(acc_fecha,subset = (FECHA<="2018-12-31")),
x = ~FECHA,
y = ~total_registros,
type = "scatter" ,mode = "lines",
line=list(width=1,color='rgb(205, 12, 24)'))%>%
layout(title='Registros de accidentalidad',
xaxis=list(title="Día"),
yaxis=list(title="Total registros"))
acc_fecha$year<-format(acc_fecha$FECHA,"%Y")
plot_ly (data=subset(acc_fecha,subset = (FECHA<="2018-12-31")),
x = ~FECHA,
y = ~total_registros,
type = "scatter" ,mode = "lines",
split = ~year,
line=list(width=1))%>%
layout(title='Registros de accidentalidad',
xaxis=list(title="Día"),
yaxis=list(title="Total registros"))
aggregate(total_registros~year,data=acc_fecha,FUN=mean)
acc_fecha$Fecha<-as.Date(acc_fecha$FECHA,"%d/%m/%Y")
acc_fecha$mes<-format(acc_fecha$Fecha,"%m")
with(acc_fecha, month.abb[mes])
## [1] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [24] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [47] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [70] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [93] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [116] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [139] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [162] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [185] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [208] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [231] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [254] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [277] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [300] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [323] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [346] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [369] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [392] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [415] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [438] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [461] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [484] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [507] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [530] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [553] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [576] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [599] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [622] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [645] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [668] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [691] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [714] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [737] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [760] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [783] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [806] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [829] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [852] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [875] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [898] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [921] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [944] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [967] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [990] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1013] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1036] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1059] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1082] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1105] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1128] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1151] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1174] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1197] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1220] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1243] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1266] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1289] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1312] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1335] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1358] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1381] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1404] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1427] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1450] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1473] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1496] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1519] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1542] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1565] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1588] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1611] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1634] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1657] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1680] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1703] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1726] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1749] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1772] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1795] NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## [1818] NA NA NA NA NA NA NA NA NA
acc_fecha$mes<-strftime(acc_fecha$Fecha, format = "%B")
acc_fecha$mes<-ordered(acc_fecha$mes,levels=c( "enero", "febrero", "marzo",
"abril", "mayo", "junio","julio", "agosto", "septiembre", "octubre", "noviembre", "diciembre"))
aggregate(total_registros~year*mes,data=acc_fecha,FUN=mean)%>%
plot_ly(x = ~mes,
y = ~total_registros,
type = "scatter" ,mode = "lines",
split = ~year,
line=list(width=1))%>%
layout(title='Promedio diario mensual de accidentes registrados',
xaxis=list(title="Día"),
yaxis=list(title="Total registros"))
plot_ly (data=subset(acc_fecha,subset = (Fecha<="2018-12-31")),
x = ~year,
y = ~total_registros,
type = "box")%>%
layout(title='Registros de accidentes',
xaxis=list(title="Año"),
yaxis=list(title="Total registros"))
Ahora, hacemos algo similar a lo anterior para los meses del año y los días de la semana:
acc_fecha$diames<-format(acc_fecha$Fecha,"%d")
plot_ly (data=subset(acc_fecha,subset = (Fecha<="2018-12-31")),
x = ~mes,
y = ~total_registros,
type = "box")%>%
layout(title='Registros de accidentes',
xaxis=list(title="Mes"),
yaxis=list(title="Total registros"))
acc_fecha$dia_semana<-weekdays(acc_fecha$Fecha)
acc_fecha$dia_semana<-ordered(acc_fecha$dia_semana,levels=c( "lunes", "martes", "miércoles", "jueves", "viernes", "sábado","domingo"))
plot_ly (data=subset(acc_fecha,subset = (Fecha<="2018-12-31")),
x = ~dia_semana,
y = ~total_registros,
type = "box")%>%
layout(title='Registros de accidentes',
xaxis=list(title="Mes"),
yaxis=list(title="Total registros"))
Regresar
El manejo de datos nulos se dio en la sección 2.3.1. donde se tomaron las siguientes decisiones:
Después de realizar el análisis, se concluye que ningún dato atípico será eliminado ya que corresponden a los datos de las tablas originales, a los cuales se les aplicaron transformaciones mínimas.
Se escogen tres agrupamientos para verificar el modelo.
acc_agrupado_0 <- acc%>%group_by(FECHA,CLASE,DISENO,DIA_NOMBRE,DIA,PERIODO,FESTIVO,MADRE,NAVIDAD,BRUJITOS,SEMSANTA,ESCOLAR)%>%summarise(ACCIDENTES=n())%>%arrange(FECHA)
acc_agrupado_0$DIA <- as.integer(acc_agrupado_0$DIA)
acc_agrupado_0$PERIODO <- as.integer(acc_agrupado_0$PERIODO)
acc_agrupado_1<-acc%>%group_by(FECHA,CLASE,DIA_NOMBRE,DIA,PERIODO,FESTIVO,MADRE,NAVIDAD,BRUJITOS,SEMSANTA,ESCOLAR)%>%summarise(ACCIDENTES=n())%>%arrange(FECHA)
acc_agrupado_1$DIA <- as.integer(acc_agrupado_1$DIA)
acc_agrupado_1$PERIODO <- as.integer(acc_agrupado_1$PERIODO)
acc_agrupado_2 <-acc%>%group_by(FECHA,DIA_NOMBRE,PERIODO,CLASE,MES,DIA,COMUNA,FESTIVO,MADRE,NAVIDAD,BRUJITOS,SEMSANTA,ESCOLAR)%>%summarise(ACCIDENTES=n())%>%arrange(FECHA)
acc_agrupado_2$DIA <- as.integer(acc_agrupado_2$DIA)
acc_agrupado_2$PERIODO <- as.integer(acc_agrupado_2$PERIODO)
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_0<-lm(ACCIDENTES~FECHA+CLASE+DISENO+DIA_NOMBRE+PERIODO+FESTIVO+MADRE+NAVIDAD+BRUJITOS+SEMSANTA+ESCOLAR,data=acc_agrupado_0, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_0)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DISENO + DIA_NOMBRE +
## PERIODO + FESTIVO + MADRE + NAVIDAD + BRUJITOS + SEMSANTA +
## ESCOLAR, data = acc_agrupado_0, subset = (FECHA <= "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -23.300 -6.657 -2.583 4.472 63.013
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.040e+03 5.886e+02 1.768 0.077120 .
## FECHA 2.176e-03 7.966e-04 2.732 0.006304 **
## CLASECAIDA OCUPANTE -3.321e-01 2.841e-01 -1.169 0.242387
## CLASECHOQUE 2.014e+01 2.508e-01 80.296 < 2e-16 ***
## CLASEINCENDIO -9.749e+00 2.607e+00 -3.739 0.000185 ***
## CLASEOTRO 1.147e+00 2.814e-01 4.077 4.57e-05 ***
## CLASEVOLCAMIENTO -5.297e+00 3.086e-01 -17.165 < 2e-16 ***
## DISENOGLORIETA -4.280e+00 6.008e-01 -7.125 1.08e-12 ***
## DISENOINTERSECCION 9.001e+00 5.622e-01 16.011 < 2e-16 ***
## DISENOLOTE O PREDIO 6.244e+00 5.647e-01 11.057 < 2e-16 ***
## DISENOPASO A NIVEL -5.699e+00 1.701e+00 -3.351 0.000808 ***
## DISENOPASO ELEVADO -5.339e+00 7.015e-01 -7.611 2.86e-14 ***
## DISENOPASO INFERIOR -3.482e+00 8.257e-01 -4.217 2.48e-05 ***
## DISENOPONTON -3.752e+00 2.581e+00 -1.454 0.146002
## DISENOPUENTE -5.320e+00 7.470e-01 -7.121 1.11e-12 ***
## DISENOTRAMO VIA 2.445e+01 5.506e-01 44.412 < 2e-16 ***
## DISENOTUNEL -2.347e+00 2.653e+00 -0.885 0.376368
## DISENOVIA PEATONAL 9.371e-01 1.756e+00 0.534 0.593660
## DIA_NOMBREJUEVES 3.904e+00 3.139e-01 12.436 < 2e-16 ***
## DIA_NOMBRELUNES 3.618e+00 3.202e-01 11.299 < 2e-16 ***
## DIA_NOMBREMARTES 4.262e+00 3.143e-01 13.562 < 2e-16 ***
## DIA_NOMBREMIERCOLES 3.865e+00 3.152e-01 12.261 < 2e-16 ***
## DIA_NOMBRESABADO 3.258e+00 3.172e-01 10.271 < 2e-16 ***
## DIA_NOMBREVIERNES 4.386e+00 3.127e-01 14.027 < 2e-16 ***
## PERIODO -5.409e-01 2.985e-01 -1.812 0.069971 .
## FESTIVOSi -2.828e+00 5.185e-01 -5.454 4.98e-08 ***
## MADRESi 1.414e+00 1.650e+00 0.857 0.391666
## NAVIDADSi -2.479e+00 8.407e-01 -2.949 0.003193 **
## BRUJITOSSi 5.316e-01 1.522e+00 0.349 0.726828
## SEMSANTASi -2.466e+00 6.244e-01 -3.949 7.87e-05 ***
## ESCOLARSi -3.418e-01 6.907e-01 -0.495 0.620711
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.71 on 17203 degrees of freedom
## Multiple R-squared: 0.5463, Adjusted R-squared: 0.5455
## F-statistic: 690.5 on 30 and 17203 DF, p-value: < 2.2e-16
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_1<-lm(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+DIA+PERIODO+FESTIVO+MADRE+NAVIDAD+BRUJITOS+SEMSANTA+ESCOLAR,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_1)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + DIA +
## PERIODO + FESTIVO + MADRE + NAVIDAD + BRUJITOS + SEMSANTA +
## ESCOLAR, data = acc_agrupado_1, subset = (FECHA <= "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -60.136 -3.780 -0.428 4.098 52.536
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.393e+03 7.909e+02 3.026 0.002485 **
## FECHA 3.889e-03 1.064e-03 3.654 0.000260 ***
## CLASECAIDA OCUPANTE -1.167e+00 3.450e-01 -3.382 0.000722 ***
## CLASECHOQUE 6.563e+01 3.450e-01 190.246 < 2e-16 ***
## CLASEINCENDIO -1.028e+01 2.277e+00 -4.516 6.41e-06 ***
## CLASEOTRO 1.156e+00 3.450e-01 3.352 0.000806 ***
## CLASEVOLCAMIENTO -7.471e+00 3.496e-01 -21.370 < 2e-16 ***
## DIA_NOMBREJUEVES 9.262e+00 4.130e-01 22.428 < 2e-16 ***
## DIA_NOMBRELUNES 8.485e+00 4.202e-01 20.191 < 2e-16 ***
## DIA_NOMBREMARTES 9.893e+00 4.144e-01 23.870 < 2e-16 ***
## DIA_NOMBREMIERCOLES 9.359e+00 4.127e-01 22.676 < 2e-16 ***
## DIA_NOMBRESABADO 7.739e+00 4.124e-01 18.768 < 2e-16 ***
## DIA_NOMBREVIERNES 1.038e+01 4.132e-01 25.117 < 2e-16 ***
## DIA -1.367e-02 1.266e-02 -1.080 0.279962
## PERIODO -1.218e+00 4.010e-01 -3.037 0.002396 **
## FESTIVOSi -6.729e+00 6.740e-01 -9.984 < 2e-16 ***
## MADRESi 4.043e+00 2.107e+00 1.919 0.055026 .
## NAVIDADSi -7.228e+00 1.069e+00 -6.765 1.44e-11 ***
## BRUJITOSSi 1.673e+00 2.102e+00 0.796 0.426076
## SEMSANTASi -6.326e+00 8.072e-01 -7.837 5.28e-15 ***
## ESCOLARSi -1.805e+00 9.617e-01 -1.877 0.060561 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.323 on 7225 degrees of freedom
## Multiple R-squared: 0.897, Adjusted R-squared: 0.8967
## F-statistic: 3145 on 20 and 7225 DF, p-value: < 2.2e-16
Al verificar los valores P, se opta por retirar la variable BRUJITOS.
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_1<-lm(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+DIA+PERIODO+FESTIVO+MADRE+NAVIDAD+SEMSANTA+ESCOLAR,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_1)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + DIA +
## PERIODO + FESTIVO + MADRE + NAVIDAD + SEMSANTA + ESCOLAR,
## data = acc_agrupado_1, subset = (FECHA <= "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -60.147 -3.778 -0.431 4.090 52.536
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.426e+03 7.898e+02 3.071 0.002141 **
## FECHA 3.934e-03 1.063e-03 3.701 0.000216 ***
## CLASECAIDA OCUPANTE -1.167e+00 3.450e-01 -3.382 0.000722 ***
## CLASECHOQUE 6.563e+01 3.450e-01 190.251 < 2e-16 ***
## CLASEINCENDIO -1.029e+01 2.277e+00 -4.517 6.36e-06 ***
## CLASEOTRO 1.156e+00 3.450e-01 3.352 0.000806 ***
## CLASEVOLCAMIENTO -7.471e+00 3.496e-01 -21.370 < 2e-16 ***
## DIA_NOMBREJUEVES 9.262e+00 4.129e-01 22.429 < 2e-16 ***
## DIA_NOMBRELUNES 8.493e+00 4.201e-01 20.218 < 2e-16 ***
## DIA_NOMBREMARTES 9.901e+00 4.143e-01 23.897 < 2e-16 ***
## DIA_NOMBREMIERCOLES 9.359e+00 4.127e-01 22.677 < 2e-16 ***
## DIA_NOMBRESABADO 7.747e+00 4.122e-01 18.794 < 2e-16 ***
## DIA_NOMBREVIERNES 1.039e+01 4.130e-01 25.146 < 2e-16 ***
## DIA -1.282e-02 1.261e-02 -1.016 0.309497
## PERIODO -1.234e+00 4.004e-01 -3.082 0.002062 **
## FESTIVOSi -6.732e+00 6.740e-01 -9.988 < 2e-16 ***
## MADRESi 4.050e+00 2.107e+00 1.922 0.054634 .
## NAVIDADSi -7.239e+00 1.068e+00 -6.775 1.34e-11 ***
## SEMSANTASi -6.327e+00 8.072e-01 -7.839 5.20e-15 ***
## ESCOLARSi -1.809e+00 9.617e-01 -1.882 0.059933 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.322 on 7226 degrees of freedom
## Multiple R-squared: 0.897, Adjusted R-squared: 0.8967
## F-statistic: 3310 on 19 and 7226 DF, p-value: < 2.2e-16
No se observa nigun cambio en el R cuadrado ajustado. se opta por quitar DIA.
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_1<-lm(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+PERIODO+FESTIVO+MADRE+NAVIDAD+SEMSANTA+ESCOLAR,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_1)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + PERIODO +
## FESTIVO + MADRE + NAVIDAD + SEMSANTA + ESCOLAR, data = acc_agrupado_1,
## subset = (FECHA <= "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -60.261 -3.762 -0.431 4.105 52.692
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.347e+03 7.860e+02 2.986 0.002838 **
## FECHA 3.825e-03 1.057e-03 3.617 0.000300 ***
## CLASECAIDA OCUPANTE -1.167e+00 3.450e-01 -3.382 0.000722 ***
## CLASECHOQUE 6.563e+01 3.450e-01 190.250 < 2e-16 ***
## CLASEINCENDIO -1.028e+01 2.277e+00 -4.515 6.43e-06 ***
## CLASEOTRO 1.156e+00 3.450e-01 3.352 0.000807 ***
## CLASEVOLCAMIENTO -7.471e+00 3.496e-01 -21.371 < 2e-16 ***
## DIA_NOMBREJUEVES 9.260e+00 4.129e-01 22.424 < 2e-16 ***
## DIA_NOMBRELUNES 8.485e+00 4.200e-01 20.203 < 2e-16 ***
## DIA_NOMBREMARTES 9.900e+00 4.143e-01 23.894 < 2e-16 ***
## DIA_NOMBREMIERCOLES 9.359e+00 4.127e-01 22.677 < 2e-16 ***
## DIA_NOMBRESABADO 7.749e+00 4.122e-01 18.798 < 2e-16 ***
## DIA_NOMBREVIERNES 1.038e+01 4.130e-01 25.143 < 2e-16 ***
## PERIODO -1.194e+00 3.985e-01 -2.997 0.002735 **
## FESTIVOSi -6.684e+00 6.723e-01 -9.941 < 2e-16 ***
## MADRESi 4.108e+00 2.106e+00 1.951 0.051131 .
## NAVIDADSi -7.283e+00 1.068e+00 -6.822 9.68e-12 ***
## SEMSANTASi -6.341e+00 8.071e-01 -7.857 4.49e-15 ***
## ESCOLARSi -1.715e+00 9.572e-01 -1.792 0.073162 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.322 on 7227 degrees of freedom
## Multiple R-squared: 0.8969, Adjusted R-squared: 0.8967
## F-statistic: 3494 on 18 and 7227 DF, p-value: < 2.2e-16
No se observa nigun cambio en el R cuadrado ajustado. se opta por quitar MADRE.
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_1<-lm(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+PERIODO+FESTIVO+NAVIDAD+SEMSANTA+ESCOLAR,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_1)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + PERIODO +
## FESTIVO + NAVIDAD + SEMSANTA + ESCOLAR, data = acc_agrupado_1,
## subset = (FECHA <= "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -60.249 -3.763 -0.433 4.122 52.693
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.308e+03 7.859e+02 2.937 0.003328 **
## FECHA 3.770e-03 1.057e-03 3.566 0.000365 ***
## CLASECAIDA OCUPANTE -1.167e+00 3.451e-01 -3.382 0.000725 ***
## CLASECHOQUE 6.563e+01 3.450e-01 190.213 < 2e-16 ***
## CLASEINCENDIO -1.029e+01 2.278e+00 -4.518 6.34e-06 ***
## CLASEOTRO 1.156e+00 3.450e-01 3.351 0.000809 ***
## CLASEVOLCAMIENTO -7.470e+00 3.496e-01 -21.364 < 2e-16 ***
## DIA_NOMBREJUEVES 9.180e+00 4.110e-01 22.337 < 2e-16 ***
## DIA_NOMBRELUNES 8.406e+00 4.181e-01 20.105 < 2e-16 ***
## DIA_NOMBREMARTES 9.819e+00 4.123e-01 23.814 < 2e-16 ***
## DIA_NOMBREMIERCOLES 9.279e+00 4.108e-01 22.590 < 2e-16 ***
## DIA_NOMBRESABADO 7.669e+00 4.103e-01 18.693 < 2e-16 ***
## DIA_NOMBREVIERNES 1.030e+01 4.110e-01 25.069 < 2e-16 ***
## PERIODO -1.175e+00 3.985e-01 -2.948 0.003212 **
## FESTIVOSi -6.691e+00 6.724e-01 -9.951 < 2e-16 ***
## NAVIDADSi -7.299e+00 1.068e+00 -6.836 8.82e-12 ***
## SEMSANTASi -6.358e+00 8.072e-01 -7.877 3.83e-15 ***
## ESCOLARSi -1.711e+00 9.574e-01 -1.787 0.074014 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.324 on 7228 degrees of freedom
## Multiple R-squared: 0.8969, Adjusted R-squared: 0.8966
## F-statistic: 3698 on 17 and 7228 DF, p-value: < 2.2e-16
No se observa nigun cambio en el R cuadrado ajustado. se opta por quitar ESCOLAR.
modelo_lm_1<-lm(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+PERIODO+FESTIVO+NAVIDAD+SEMSANTA,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_1)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + PERIODO +
## FESTIVO + NAVIDAD + SEMSANTA, data = acc_agrupado_1, subset = (FECHA <=
## "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -60.242 -3.769 -0.465 4.134 52.735
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.158e+03 7.815e+02 2.761 0.005778 **
## FECHA 3.561e-03 1.051e-03 3.389 0.000706 ***
## CLASECAIDA OCUPANTE -1.167e+00 3.452e-01 -3.381 0.000726 ***
## CLASECHOQUE 6.563e+01 3.451e-01 190.185 < 2e-16 ***
## CLASEINCENDIO -1.027e+01 2.278e+00 -4.507 6.67e-06 ***
## CLASEOTRO 1.156e+00 3.451e-01 3.351 0.000810 ***
## CLASEVOLCAMIENTO -7.468e+00 3.497e-01 -21.356 < 2e-16 ***
## DIA_NOMBREJUEVES 9.150e+00 4.107e-01 22.279 < 2e-16 ***
## DIA_NOMBRELUNES 8.370e+00 4.177e-01 20.039 < 2e-16 ***
## DIA_NOMBREMARTES 9.787e+00 4.120e-01 23.755 < 2e-16 ***
## DIA_NOMBREMIERCOLES 9.247e+00 4.104e-01 22.530 < 2e-16 ***
## DIA_NOMBRESABADO 7.670e+00 4.103e-01 18.693 < 2e-16 ***
## DIA_NOMBREVIERNES 1.027e+01 4.107e-01 25.010 < 2e-16 ***
## PERIODO -1.098e+00 3.962e-01 -2.772 0.005588 **
## FESTIVOSi -6.660e+00 6.723e-01 -9.906 < 2e-16 ***
## NAVIDADSi -7.259e+00 1.068e+00 -6.799 1.13e-11 ***
## SEMSANTASi -6.352e+00 8.073e-01 -7.869 4.11e-15 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.326 on 7229 degrees of freedom
## Multiple R-squared: 0.8968, Adjusted R-squared: 0.8966
## F-statistic: 3928 on 16 and 7229 DF, p-value: < 2.2e-16
Dado que al quitar la variable anterior el R cuadrado ajustado bajo 0.0001, por lo cual se opta por dejar el modelo con la variable ESCOLAR.
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_1<-lm(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+PERIODO+FESTIVO+NAVIDAD+SEMSANTA+ESCOLAR,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_1)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + PERIODO +
## FESTIVO + NAVIDAD + SEMSANTA + ESCOLAR, data = acc_agrupado_1,
## subset = (FECHA <= "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -60.249 -3.763 -0.433 4.122 52.693
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.308e+03 7.859e+02 2.937 0.003328 **
## FECHA 3.770e-03 1.057e-03 3.566 0.000365 ***
## CLASECAIDA OCUPANTE -1.167e+00 3.451e-01 -3.382 0.000725 ***
## CLASECHOQUE 6.563e+01 3.450e-01 190.213 < 2e-16 ***
## CLASEINCENDIO -1.029e+01 2.278e+00 -4.518 6.34e-06 ***
## CLASEOTRO 1.156e+00 3.450e-01 3.351 0.000809 ***
## CLASEVOLCAMIENTO -7.470e+00 3.496e-01 -21.364 < 2e-16 ***
## DIA_NOMBREJUEVES 9.180e+00 4.110e-01 22.337 < 2e-16 ***
## DIA_NOMBRELUNES 8.406e+00 4.181e-01 20.105 < 2e-16 ***
## DIA_NOMBREMARTES 9.819e+00 4.123e-01 23.814 < 2e-16 ***
## DIA_NOMBREMIERCOLES 9.279e+00 4.108e-01 22.590 < 2e-16 ***
## DIA_NOMBRESABADO 7.669e+00 4.103e-01 18.693 < 2e-16 ***
## DIA_NOMBREVIERNES 1.030e+01 4.110e-01 25.069 < 2e-16 ***
## PERIODO -1.175e+00 3.985e-01 -2.948 0.003212 **
## FESTIVOSi -6.691e+00 6.724e-01 -9.951 < 2e-16 ***
## NAVIDADSi -7.299e+00 1.068e+00 -6.836 8.82e-12 ***
## SEMSANTASi -6.358e+00 8.072e-01 -7.877 3.83e-15 ***
## ESCOLARSi -1.711e+00 9.574e-01 -1.787 0.074014 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.324 on 7228 degrees of freedom
## Multiple R-squared: 0.8969, Adjusted R-squared: 0.8966
## F-statistic: 3698 on 17 and 7228 DF, p-value: < 2.2e-16
#acc_year$PERIODO <- as.numeric(acc_year$PERIODO)
modelo_lm_2<-lm(ACCIDENTES~FECHA+DIA_NOMBRE+PERIODO+CLASE+MES+DIA+COMUNA+FESTIVO+MADRE+NAVIDAD+BRUJITOS+SEMSANTA+ESCOLAR,data=acc_agrupado_2, subset = (FECHA<="2017-12-31"))
summary(modelo_lm_2)
##
## Call:
## lm(formula = ACCIDENTES ~ FECHA + DIA_NOMBRE + PERIODO + CLASE +
## MES + DIA + COMUNA + FESTIVO + MADRE + NAVIDAD + BRUJITOS +
## SEMSANTA + ESCOLAR, data = acc_agrupado_2, subset = (FECHA <=
## "2017-12-31"))
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.906 -1.658 -0.210 1.170 35.549
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -3.050e+04 1.252e+04 -2.436 0.014840 *
## FECHA -4.232e-02 1.739e-02 -2.434 0.014936 *
## DIA_NOMBREJUEVES 8.658e-01 4.405e-02 19.657 < 2e-16 ***
## DIA_NOMBRELUNES 8.187e-01 4.477e-02 18.285 < 2e-16 ***
## DIA_NOMBREMARTES 9.247e-01 4.417e-02 20.936 < 2e-16 ***
## DIA_NOMBREMIERCOLES 8.776e-01 4.406e-02 19.918 < 2e-16 ***
## DIA_NOMBRESABADO 7.072e-01 4.401e-02 16.068 < 2e-16 ***
## DIA_NOMBREVIERNES 1.010e+00 4.405e-02 22.936 < 2e-16 ***
## PERIODO 1.548e+01 6.354e+00 2.436 0.014846 *
## CLASECAIDA OCUPANTE -1.801e-01 3.857e-02 -4.670 3.02e-06 ***
## CLASECHOQUE 3.896e+00 3.292e-02 118.364 < 2e-16 ***
## CLASEINCENDIO -1.104e+00 6.777e-01 -1.629 0.103225
## CLASEOTRO -8.732e-02 3.742e-02 -2.333 0.019639 *
## CLASEVOLCAMIENTO -6.746e-01 4.952e-02 -13.623 < 2e-16 ***
## MES 1.300e+00 5.293e-01 2.455 0.014085 *
## DIA 4.131e-02 1.740e-02 2.374 0.017611 *
## COMUNAARANJUEZ 1.645e+00 1.499e-01 10.977 < 2e-16 ***
## COMUNABELEN 2.018e+00 1.503e-01 13.430 < 2e-16 ***
## COMUNABUENOS AIRES 9.004e-01 1.514e-01 5.945 2.77e-09 ***
## COMUNACASTILLA 2.925e+00 1.490e-01 19.629 < 2e-16 ***
## COMUNADOCE DE OCTUBRE 7.325e-01 1.519e-01 4.823 1.42e-06 ***
## COMUNAEL POBLADO 2.974e+00 1.515e-01 19.640 < 2e-16 ***
## COMUNAGUAYABAL 2.303e+00 1.504e-01 15.307 < 2e-16 ***
## COMUNALA AMERICA 7.047e-01 1.529e-01 4.609 4.05e-06 ***
## COMUNALA CANDELARIA 5.855e+00 1.483e-01 39.493 < 2e-16 ***
## COMUNALAURELES 3.665e+00 1.495e-01 24.513 < 2e-16 ***
## COMUNAMANRIQUE 7.541e-01 1.517e-01 4.973 6.61e-07 ***
## COMUNAPALMITAS -1.431e+00 9.416e-01 -1.520 0.128463
## COMUNAPOPULAR 4.487e-01 1.570e-01 2.858 0.004264 **
## COMUNAROBLEDO 1.833e+00 1.495e-01 12.262 < 2e-16 ***
## COMUNASAN ANTONIO DE PRADO -3.302e-01 1.690e-01 -1.953 0.050783 .
## COMUNASAN CRISTOBAL 1.195e-01 1.621e-01 0.737 0.461059
## COMUNASAN JAVIER 3.406e-01 1.548e-01 2.200 0.027795 *
## COMUNASANTA CRUZ 1.187e-01 1.582e-01 0.751 0.452747
## COMUNASANTA ELENA 1.452e-01 1.835e-01 0.791 0.429023
## COMUNAVILLA HERMOSA 5.328e-01 1.528e-01 3.488 0.000488 ***
## FESTIVOSi -6.547e-01 7.309e-02 -8.956 < 2e-16 ***
## MADRESi 4.205e-01 2.236e-01 1.881 0.060009 .
## NAVIDADSi -5.505e-01 1.145e-01 -4.806 1.54e-06 ***
## BRUJITOSSi 6.275e-02 2.117e-01 0.296 0.766923
## SEMSANTASi -5.307e-01 9.041e-02 -5.870 4.38e-09 ***
## ESCOLARSi -1.328e-01 1.017e-01 -1.306 0.191710
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.791 on 58670 degrees of freedom
## Multiple R-squared: 0.4389, Adjusted R-squared: 0.4385
## F-statistic: 1119 on 41 and 58670 DF, p-value: < 2.2e-16
Agregando la variable de comunas, vemos que el modelo es menos significativo que e agrupado 1 por lo que se opta por hacer la validacion con el modelo del agrupado 1.
y0_tr<-mean(acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"])
r0_tr<-acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"]-y0_tr
R0_tr<-mean(r0_tr^2)
y_pred_tr_lm<-predict(modelo_lm_1)
r_tr_lm<-acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"]-y_pred_tr_lm
R_tr_lm<-mean(r_tr_lm^2)
R2_lm<-1-R_tr_lm/R0_tr
print(R2_lm)
## [1] 0.8968859
este da igual.
# ERROR DE AQUI EN ADELANTE
#y_pred_tr_glm<-predict(modelo_glm,type="response")
#r_tr_glm<-acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"]-y_pred_tr_glm
#R_tr_glm<-mean(r_tr_glm^2)
#R2_tr_glm<-1-R_tr_glm/R0_tr
#print(R2_tr_glm)
Este modelo muestra un \(R^2\) superior por lo cuál se usará para hacer las comparaciones de modelos.
# resultados_lm_glm<-data.frame(FECHA= acc_agrupado_1$FECHA[acc_agrupado_1$FECHA<="2017-12-31"],ACCIDENTES=acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"],
# pred_lm=y_pred_tr_lm,
# pred_glm=y_pred_tr_glm,
# res_lm=r_tr_lm,
# res_glm=r_tr_glm)
library(rpart)
modelo_rpart_0<-rpart(ACCIDENTES~FECHA+CLASE+DISENO+DIA_NOMBRE+PERIODO+FESTIVO+MADRE+NAVIDAD+BRUJITOS+SEMSANTA+ESCOLAR,data=acc_agrupado_0, subset = (FECHA<="2017-12-31"))
print(modelo_rpart_0)
## n= 17234
##
## node), split, n, deviance, yval
## * denotes terminal node
##
## 1) root 17234 4348807.0000 9.720436
## 2) DISENO=CICLO RUTA,GLORIETA,INTERSECCION,LOTE O PREDIO,PASO A NIVEL,PASO ELEVADO,PASO INFERIOR,PONTON,PUENTE,TUNEL,VIA PEATONAL 10055 313852.9000 3.975435
## 4) DISENO=CICLO RUTA,GLORIETA,LOTE O PREDIO,PASO A NIVEL,PASO ELEVADO,PASO INFERIOR,PONTON,PUENTE,TUNEL,VIA PEATONAL 6588 22438.6900 2.202186 *
## 5) DISENO=INTERSECCION 3467 231335.4000 7.344967
## 10) CLASE=ATROPELLO,CAIDA OCUPANTE,INCENDIO,OTRO,VOLCAMIENTO 2007 906.8919 1.368211 *
## 11) CLASE=CHOQUE 1460 60181.5700 15.560960 *
## 3) DISENO=TRAMO VIA 7179 3238273.0000 17.766960
## 6) CLASE=ATROPELLO,CAIDA OCUPANTE,INCENDIO,OTRO,VOLCAMIENTO 5718 128893.2000 7.956628 *
## 7) CLASE=CHOQUE 1461 405264.6000 56.162220
## 14) DIA_NOMBRE=DOMINGO 209 11492.4500 32.086120 *
## 15) DIA_NOMBRE=JUEVES,LUNES,MARTES,MIERCOLES,SABADO,VIERNES 1252 252399.8000 60.181310 *
library(rpart.plot)
rpart.plot(modelo_rpart_0,tweak = 1.2)
summary(modelo_rpart_0)
## Call:
## rpart(formula = ACCIDENTES ~ FECHA + CLASE + DISENO + DIA_NOMBRE +
## PERIODO + FESTIVO + MADRE + NAVIDAD + BRUJITOS + SEMSANTA +
## ESCOLAR, data = acc_agrupado_0, subset = (FECHA <= "2017-12-31"))
## n= 17234
##
## CP nsplit rel error xerror xstd
## 1 0.40250076 0 1.0000000 1.0000898 0.023939585
## 2 0.03250829 2 0.1949985 0.1950803 0.004253889
## 3 0.02648149 3 0.1624902 0.1626445 0.003648641
## 4 0.01000000 5 0.1095272 0.1097320 0.003142637
##
## Variable importance
## CLASE DISENO DIA_NOMBRE
## 74 22 4
##
## Node number 1: 17234 observations, complexity param=0.4025008
## mean=9.720436, MSE=252.3388
## left son=2 (10055 obs) right son=3 (7179 obs)
## Primary splits:
## DISENO splits as LLLLLLLLLRLL, improve=0.183195300, (0 missing)
## CLASE splits as LLRLLL, improve=0.136632500, (0 missing)
## FECHA < 17163.5 to the right, improve=0.006059356, (0 missing)
## PERIODO < 2016.5 to the right, improve=0.005957862, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.003779356, (0 missing)
## Surrogate splits:
## CLASE splits as LRLRRR, agree=0.628, adj=0.106, (0 split)
## FECHA < 16141.5 to the right, agree=0.590, adj=0.016, (0 split)
##
## Node number 2: 10055 observations, complexity param=0.02648149
## mean=3.975435, MSE=31.21362
## left son=4 (6588 obs) right son=5 (3467 obs)
## Primary splits:
## DISENO splits as LLRLLLLLL-LL, improve=0.191423500, (0 missing)
## CLASE splits as LLRLLL, improve=0.133986000, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.002791311, (0 missing)
## FECHA < 17360.5 to the left, improve=0.001973797, (0 missing)
## PERIODO < 2016.5 to the left, improve=0.001427046, (0 missing)
## Surrogate splits:
## CLASE splits as RLLLLL, agree=0.668, adj=0.037, (0 split)
## FECHA < 16076.5 to the right, agree=0.656, adj=0.001, (0 split)
##
## Node number 3: 7179 observations, complexity param=0.4025008
## mean=17.76696, MSE=451.0758
## left son=6 (5718 obs) right son=7 (1461 obs)
## Primary splits:
## CLASE splits as LLRLLL, improve=0.835048600, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.012244590, (0 missing)
## FECHA < 17158.5 to the right, improve=0.004915123, (0 missing)
## PERIODO < 2016.5 to the right, improve=0.004789309, (0 missing)
## FESTIVO splits as RL, improve=0.001704451, (0 missing)
##
## Node number 4: 6588 observations
## mean=2.202186, MSE=3.405994
##
## Node number 5: 3467 observations, complexity param=0.02648149
## mean=7.344967, MSE=66.72496
## left son=10 (2007 obs) right son=11 (1460 obs)
## Primary splits:
## CLASE splits as LLRLLL, improve=0.7359312000, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.0082500230, (0 missing)
## FECHA < 17179.5 to the left, improve=0.0055151280, (0 missing)
## PERIODO < 2016.5 to the left, improve=0.0048665460, (0 missing)
## NAVIDAD splits as RL, improve=0.0007121953, (0 missing)
## Surrogate splits:
## FECHA < 16165.5 to the right, agree=0.589, adj=0.023, (0 split)
##
## Node number 6: 5718 observations
## mean=7.956628, MSE=22.54167
##
## Node number 7: 1461 observations, complexity param=0.03250829
## mean=56.16222, MSE=277.3885
## left son=14 (209 obs) right son=15 (1252 obs)
## Primary splits:
## DIA_NOMBRE splits as LRRRRRR, improve=0.34883940, (0 missing)
## FESTIVO splits as RL, improve=0.03986503, (0 missing)
## FECHA < 17158.5 to the right, improve=0.03572912, (0 missing)
## PERIODO < 2016.5 to the right, improve=0.03277970, (0 missing)
## NAVIDAD splits as RL, improve=0.02784668, (0 missing)
## Surrogate splits:
## MADRE splits as RL, agree=0.86, adj=0.019, (0 split)
##
## Node number 10: 2007 observations
## mean=1.368211, MSE=0.4518644
##
## Node number 11: 1460 observations
## mean=15.56096, MSE=41.22026
##
## Node number 14: 209 observations
## mean=32.08612, MSE=54.9878
##
## Node number 15: 1252 observations
## mean=60.18131, MSE=201.5973
y0_tr<-mean(acc_agrupado_0$ACCIDENTES[acc_agrupado_0$FECHA<="2017-12-31"])
r0_tr<-acc_agrupado_0$ACCIDENTES[acc_agrupado_0$FECHA<="2017-12-31"]-y0_tr
R0_tr<-mean(r0_tr^2)
y_pred_tr_rpart<-predict(modelo_rpart_0)
r_tr_rpart<-acc_agrupado_0$ACCIDENTES[acc_agrupado_0$FECHA<="2017-12-31"]-y_pred_tr_rpart
R_tr_rpart<-mean(r_tr_rpart^2)
R2_tr_rpart<-1-R_tr_rpart/R0_tr
print(R2_tr_rpart)
## [1] 0.8904728
library(rpart)
modelo_rpart_1<-rpart(ACCIDENTES~FECHA+CLASE+DIA_NOMBRE+PERIODO+FESTIVO+NAVIDAD+SEMSANTA+ESCOLAR,data=acc_agrupado_1, subset = (FECHA<="2017-12-31"))
print(modelo_rpart_1)
## n= 7246
##
## node), split, n, deviance, yval
## * denotes terminal node
##
## 1) root 7246 6094251.0 23.119240
## 2) CLASE=ATROPELLO,CAIDA OCUPANTE,INCENDIO,OTRO,VOLCAMIENTO 5785 155757.7 9.521175 *
## 3) CLASE=CHOQUE 1461 633246.9 76.962350
## 6) DIA_NOMBRE=DOMINGO 209 16374.4 45.306220 *
## 7) DIA_NOMBRE=JUEVES,LUNES,MARTES,MIERCOLES,SABADO,VIERNES 1252 372468.7 82.246810 *
library(rpart.plot)
rpart.plot(modelo_rpart_1,tweak = 1.2)
summary(modelo_rpart_1)
## Call:
## rpart(formula = ACCIDENTES ~ FECHA + CLASE + DIA_NOMBRE + PERIODO +
## FESTIVO + NAVIDAD + SEMSANTA + ESCOLAR, data = acc_agrupado_1,
## subset = (FECHA <= "2017-12-31"))
## n= 7246
##
## CP nsplit rel error xerror xstd
## 1 0.87053297 0 1.00000000 1.00020840 0.02178205
## 2 0.04010399 1 0.12946703 0.12967599 0.00423566
## 3 0.01000000 2 0.08936304 0.08945901 0.00350991
##
## Variable importance
## CLASE DIA_NOMBRE
## 96 4
##
## Node number 1: 7246 observations, complexity param=0.870533
## mean=23.11924, MSE=841.0504
## left son=2 (5785 obs) right son=3 (1461 obs)
## Primary splits:
## CLASE splits as LLRLLL, improve=0.8705330000, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.0113070000, (0 missing)
## FESTIVO splits as RL, improve=0.0014065900, (0 missing)
## SEMSANTA splits as RL, improve=0.0008808344, (0 missing)
## NAVIDAD splits as RL, improve=0.0006652363, (0 missing)
##
## Node number 2: 5785 observations
## mean=9.521175, MSE=26.9244
##
## Node number 3: 1461 observations, complexity param=0.04010399
## mean=76.96235, MSE=433.4339
## left son=6 (209 obs) right son=7 (1252 obs)
## Primary splits:
## DIA_NOMBRE splits as LRRRRRR, improve=0.38595340, (0 missing)
## FESTIVO splits as RL, improve=0.04166331, (0 missing)
## NAVIDAD splits as RL, improve=0.03167520, (0 missing)
## SEMSANTA splits as RL, improve=0.02596220, (0 missing)
## FECHA < 16530.5 to the left, improve=0.01585194, (0 missing)
##
## Node number 6: 209 observations
## mean=45.30622, MSE=78.34642
##
## Node number 7: 1252 observations
## mean=82.24681, MSE=297.499
y0_tr_1<-mean(acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"])
r0_tr_1<-acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"]-y0_tr_1
R0_tr_1<-mean(r0_tr_1^2)
y_pred_tr_rpart_1<-predict(modelo_rpart_1)
r_tr_rpart_1<-acc_agrupado_1$ACCIDENTES[acc_agrupado_1$FECHA<="2017-12-31"]-y_pred_tr_rpart_1
R_tr_rpart_1<-mean(r_tr_rpart_1^2)
R2_tr_rpart_1<-1-R_tr_rpart_1/R0_tr_1
print(R2_tr_rpart_1)
## [1] 0.910637
library(rpart)
modelo_rpart_2<-rpart(ACCIDENTES~FECHA+DIA_NOMBRE+PERIODO+CLASE+MES+DIA+COMUNA+FESTIVO+MADRE+NAVIDAD+BRUJITOS+SEMSANTA+ESCOLAR,data=acc_agrupado_2, subset = (FECHA<="2017-12-31"))
print(modelo_rpart_2)
## n= 58712
##
## node), split, n, deviance, yval
## * denotes terminal node
##
## 1) root 58712 814606.200 2.853284
## 2) CLASE=ATROPELLO,CAIDA OCUPANTE,INCENDIO,OTRO,VOLCAMIENTO 37168 26909.850 1.481920 *
## 3) CLASE=CHOQUE 21544 597205.000 5.219179
## 6) COMUNA=ALTAVISTA,ARANJUEZ,BELEN,BUENOS AIRES,CASTILLA,DOCE DE OCTUBRE,EL POBLADO,GUAYABAL,LA AMERICA,MANRIQUE,PALMITAS,POPULAR,ROBLEDO,SAN ANTONIO DE PRADO,SAN CRISTOBAL,SAN JAVIER,SANTA CRUZ,SANTA ELENA,VILLA HERMOSA 18628 182724.100 3.845287
## 12) COMUNA=ALTAVISTA,BUENOS AIRES,DOCE DE OCTUBRE,LA AMERICA,MANRIQUE,PALMITAS,POPULAR,SAN ANTONIO DE PRADO,SAN CRISTOBAL,SAN JAVIER,SANTA CRUZ,SANTA ELENA,VILLA HERMOSA 9998 16320.380 2.007902 *
## 13) COMUNA=ARANJUEZ,BELEN,CASTILLA,EL POBLADO,GUAYABAL,ROBLEDO 8630 93547.130 5.973928
## 26) COMUNA=ARANJUEZ,BELEN,ROBLEDO 4311 25175.230 4.709116 *
## 27) COMUNA=CASTILLA,EL POBLADO,GUAYABAL 4319 54591.640 7.236397
## 54) DIA_NOMBRE=DOMINGO 588 2936.223 3.743197 *
## 55) DIA_NOMBRE=JUEVES,LUNES,MARTES,MIERCOLES,SABADO,VIERNES 3731 43349.600 7.786920 *
## 7) COMUNA=LA CANDELARIA,LAURELES 2916 154698.000 13.995880
## 14) COMUNA=LAURELES 1456 28420.440 10.049450 *
## 15) COMUNA=LA CANDELARIA 1460 80987.150 17.931510
## 30) DIA_NOMBRE=DOMINGO 209 1656.421 7.052632 *
## 31) DIA_NOMBRE=JUEVES,LUNES,MARTES,MIERCOLES,SABADO,VIERNES 1251 50463.190 19.749000 *
library(rpart.plot)
rpart.plot(modelo_rpart_2,tweak = 1.5)
summary(modelo_rpart_2)
## Call:
## rpart(formula = ACCIDENTES ~ FECHA + DIA_NOMBRE + PERIODO + CLASE +
## MES + DIA + COMUNA + FESTIVO + MADRE + NAVIDAD + BRUJITOS +
## SEMSANTA + ESCOLAR, data = acc_agrupado_2, subset = (FECHA <=
## "2017-12-31"))
## n= 58712
##
## CP nsplit rel error xerror xstd
## 1 0.27637543 0 1.0000000 1.0000578 0.017705582
## 2 0.08943783 2 0.4472491 0.4473821 0.006537582
## 3 0.05559786 3 0.3578113 0.3579140 0.006036272
## 4 0.03543742 4 0.3022135 0.3024034 0.004904589
## 5 0.01691647 5 0.2667760 0.2669396 0.004204121
## 6 0.01019611 6 0.2498596 0.2503943 0.004044814
## 7 0.01000000 7 0.2396634 0.2437977 0.003999149
##
## Variable importance
## COMUNA CLASE DIA_NOMBRE
## 63 31 6
##
## Node number 1: 58712 observations, complexity param=0.2763754
## mean=2.853284, MSE=13.87461
## left son=2 (37168 obs) right son=3 (21544 obs)
## Primary splits:
## CLASE splits as LLRLLL, improve=0.2338447000, (0 missing)
## COMUNA splits as LLLLRLRLLRRLLLLLLLLLL, improve=0.1100771000, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.0075000810, (0 missing)
## FESTIVO splits as RL, improve=0.0008081853, (0 missing)
## NAVIDAD splits as RL, improve=0.0005013052, (0 missing)
## Surrogate splits:
## COMUNA splits as LLLLLLLLLLLLRLLRLLLLL, agree=0.635, adj=0.004, (0 split)
##
## Node number 2: 37168 observations
## mean=1.48192, MSE=0.7240059
##
## Node number 3: 21544 observations, complexity param=0.2763754
## mean=5.219179, MSE=27.72025
## left son=6 (18628 obs) right son=7 (2916 obs)
## Primary splits:
## COMUNA splits as LLLLLLLLLRRLLLLLLLLLL, improve=0.434998000, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.025360560, (0 missing)
## FESTIVO splits as RL, improve=0.002541788, (0 missing)
## NAVIDAD splits as RL, improve=0.001896749, (0 missing)
## MES < 1.5 to the left, improve=0.001536040, (0 missing)
##
## Node number 6: 18628 observations, complexity param=0.08943783
## mean=3.845287, MSE=9.809111
## left son=12 (9998 obs) right son=13 (8630 obs)
## Primary splits:
## COMUNA splits as LRRLRLRRL--LLLRLLLLLL, improve=0.398724600, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.022372320, (0 missing)
## FESTIVO splits as RL, improve=0.001975984, (0 missing)
## NAVIDAD splits as RL, improve=0.001847804, (0 missing)
## MES < 1.5 to the left, improve=0.001577436, (0 missing)
## Surrogate splits:
## FECHA < 16078.5 to the right, agree=0.537, adj=0.001, (0 split)
##
## Node number 7: 2916 observations, complexity param=0.05559786
## mean=13.99588, MSE=53.05142
## left son=14 (1456 obs) right son=15 (1460 obs)
## Primary splits:
## COMUNA splits as ---------RL----------, improve=0.29276640, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.19844830, (0 missing)
## FESTIVO splits as RL, improve=0.02333334, (0 missing)
## NAVIDAD splits as RL, improve=0.01432906, (0 missing)
## MES < 1.5 to the left, improve=0.01236593, (0 missing)
## Surrogate splits:
## DIA_NOMBRE splits as RRRRRRL, agree=0.501, adj=0.001, (0 split)
## SEMSANTA splits as RL, agree=0.501, adj=0.001, (0 split)
##
## Node number 12: 9998 observations
## mean=2.007902, MSE=1.632364
##
## Node number 13: 8630 observations, complexity param=0.01691647
## mean=5.973928, MSE=10.83976
## left son=26 (4311 obs) right son=27 (4319 obs)
## Primary splits:
## COMUNA splits as -LL-R-RR------L------, improve=0.147308200, (0 missing)
## DIA_NOMBRE splits as LRRRRRR, improve=0.083031400, (0 missing)
## FESTIVO splits as RL, improve=0.008177895, (0 missing)
## MES < 1.5 to the left, improve=0.006373795, (0 missing)
## FECHA < 16817.5 to the left, improve=0.006362978, (0 missing)
## Surrogate splits:
## DIA_NOMBRE splits as LRRRRRL, agree=0.503, adj=0.005, (0 split)
## FECHA < 17069.5 to the left, agree=0.501, adj=0.001, (0 split)
## MES < 4.5 to the left, agree=0.501, adj=0.001, (0 split)
## SEMSANTA splits as RL, agree=0.501, adj=0.001, (0 split)
## DIA < 30.5 to the right, agree=0.501, adj=0.001, (0 split)
##
## Node number 14: 1456 observations
## mean=10.04945, MSE=19.51953
##
## Node number 15: 1460 observations, complexity param=0.03543742
## mean=17.93151, MSE=55.47065
## left son=30 (209 obs) right son=31 (1251 obs)
## Primary splits:
## DIA_NOMBRE splits as LRRRRRR, improve=0.35644600, (0 missing)
## FESTIVO splits as RL, improve=0.04606966, (0 missing)
## NAVIDAD splits as RL, improve=0.02441886, (0 missing)
## MES < 1.5 to the left, improve=0.02016827, (0 missing)
## SEMSANTA splits as RL, improve=0.01050465, (0 missing)
## Surrogate splits:
## MADRE splits as RL, agree=0.86, adj=0.019, (0 split)
##
## Node number 26: 4311 observations
## mean=4.709116, MSE=5.839766
##
## Node number 27: 4319 observations, complexity param=0.01019611
## mean=7.236397, MSE=12.63988
## left son=54 (588 obs) right son=55 (3731 obs)
## Primary splits:
## DIA_NOMBRE splits as LRRRRRR, improve=0.15214440, (0 missing)
## COMUNA splits as ----R-RL-------------, improve=0.04021381, (0 missing)
## FECHA < 16817.5 to the left, improve=0.01464768, (0 missing)
## FESTIVO splits as RL, improve=0.01389541, (0 missing)
## PERIODO < 2015.5 to the left, improve=0.01118320, (0 missing)
## Surrogate splits:
## MADRE splits as RL, agree=0.867, adj=0.020, (0 split)
## FECHA < 17530.5 to the right, agree=0.864, adj=0.003, (0 split)
##
## Node number 30: 209 observations
## mean=7.052632, MSE=7.92546
##
## Node number 31: 1251 observations
## mean=19.749, MSE=40.33828
##
## Node number 54: 588 observations
## mean=3.743197, MSE=4.993576
##
## Node number 55: 3731 observations
## mean=7.78692, MSE=11.61876
y0_tr_2<-mean(acc_agrupado_2$ACCIDENTES[acc_agrupado_2$FECHA<="2017-12-31"])
r0_tr_2<-acc_agrupado_2$ACCIDENTES[acc_agrupado_2$FECHA<="2017-12-31"]-y0_tr_2
R0_tr_2<-mean(r0_tr_2^2)
y_pred_tr_rpart_2<-predict(modelo_rpart_2)
r_tr_rpart_2<-acc_agrupado_2$ACCIDENTES[acc_agrupado_2$FECHA<="2017-12-31"]-y_pred_tr_rpart_2
R_tr_rpart_2<-mean(r_tr_rpart_2^2)
R2_tr_rpart_2<-1-R_tr_rpart_2/R0_tr_2
print(R2_tr_rpart_2)
## [1] 0.7603366
FALTA
FALTA
R Markdown
Plotly
LeafLet y archivos espaciales
Shiny
Demás